RAG
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 1
- 보존된 평가 기록
- 1
Retrieval-Augmented Generation (RAG) is a task that combines the strengths of both retrieval-based models and generation-based models. In this approach, a retrieval system selects relevant documents or passages from a large corpus, and a generation model, typically a neural language model, uses the retrieved information to generate a response. This method enhances the accuracy and coherence of generated text, especially in tasks requiring detailed knowledge or long context handling.
RAG is particularly useful in open-domain question answering, knowledge-grounded dialogue, and summarization tasks. The retrieval step helps the model to access and incorporate external information, making it less reliant on memorized knowledge and better suited for generating responses based on the latest or domain-specific information.
The performance of RAG systems is usually measured using metrics such as precision, recall, F1 score, BLEU score, and exact match. Some popular datasets for evaluating RAG models include Natural Questions, MS MARCO, TriviaQA, and SQuAD.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
대규모 언어 모델로 기본적 분석 강화: 투자자 브리프 생성을 위한 RAG 기반 시스템
기만적 그라운딩: 임상 검색-증강 생성에서의 개체 귀속 실패
앵커 기반 검색과 LLM 추론을 활용한 바이너리 함수로부터의 실용적인 소스 코드 복원
인용 검증자로 프론티어 모델이 필요한가? 딥 리서치 출처 귀속을 위한 루브릭 LLM 벤치마킹
능동적 엔터프라이즈 에이전트를 위한 컨텍스트 그래프
VectorizationLLM: 스마트 벡터화 기반 AI 어시스턴트
직통 언더라이팅에서의 에이전틱 AI와 검색-증강 모델
PARA-PV: 고정된 기반 모델과 분포 이동 보정 기반의 물리 인식 검색-증강 태양광 발전 예측
PolyUQuest: 이종 그래프 기반 검증 가능한 구조 인식 웹 검색-증강 생성
레거시 문서에서 OSCAL로: 핵심 인프라의 위협 기반 지속적 컴플라이언스를 위한 MCP 기반 에이전트 파이프라인
컨텍스트 접근 격차: 에이전트 불평등의 보완적 차원으로서의 상호작용 수준 아키텍처
실행으로부터 학습: 비공개 라이브러리 코드 생성을 위한 자기 진화 메모리
공공 AI 정보 서비스에서 큐레이션 검색 대 오픈 웹 검색: 커버리지-신뢰도 트레이드오프
주입할 것인가, 탐색할 것인가? 거래 법률 문서의 LLM 분석을 위한 토큰 효율적 검색
DynaKRAG: 다중 홉 검색-증강 생성에서 학습 가능한 증거 제어를 위한 통합 프레임워크
투영 뷰와 검증된 구조적 업데이트를 갖춘 공유 상태 LLM 워크플로우를 위한 PatchOptic
Mitigating Errors in LLM-Generated Web API Invocations via Retrieval-Augmented Generation and Constrained Decoding
CHARLIE: 법과학 증거 추론을 위한 온프레미스 다중 에이전트 검색-증강 생성 시스템
모달리티 관련성은 모달리티 유용성이 아니다: 비용 인식 멀티모달 RAG를 위한 사후 선택적 모달리티 에스컬레이션
PORTS: 대규모 언어 모델을 활용한 도구 선택을 위한 선호도 최적화 검색기
언제 답하지 말아야 하는지 알기: 안전한 RAG를 위한 경량 KB 정렬 OOD 탐지
TRIAGE: 신뢰할 수 있는 검색 계측 및 그래프 평가
RAG에서의 다형적 시빌 포이즈닝에 대한 실패 모드 벤치마크
프롬프트 말고 프로브: Multi-Meta-RAG 메타데이터 필터링을 위한 은닉 상태 프로브
LongEval-RAG를 위한 후보 제한 검색-증강 생성: 시스템 설계 및 실증 분석
오픈 웹 검색-증강 대규모 언어 모델을 위한 리스크 제약 신선도 인식 시맨틱 캐싱
메모리 조율 시미언틱 시스템(MOSS): 감사 가능한 에이전트 메모리 아키텍처
MIRAGE: 허위정보 오염에 대한 장문형 RAG 방어
AutoResearch: 신뢰할 수 있는 연구 워크플로 자동화를 위한 실행 기반 다중 에이전트 프레임워크
지식 중심 정보 시스템
대규모 언어 모델을 활용한 증거 탐색 진단 추론을 위한 강화학습
PLACEMEM: 평생 에이전트를 위한 컴퓨트 인식 메모리 플레인을 향하여
MRMS: 장기 실행 AI 에이전트를 위한 다중 해상도 메모리 기반
FORGE: 딥 리서치 에이전트에 대한 연구 궤적 하이재킹 공격
Medi-Gemma: 결정론적 EMR 분석과 검색-증강 생성을 통합한 하이브리드 임상 의사결정 지원 시스템
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.